論文の概要: Reducing Variability of Multiple Instance Learning Methods for Digital Pathology

• arxiv url: http://arxiv.org/abs/2507.00292v2
• Date: Wed, 02 Jul 2025 12:37:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.02813
• Title: Reducing Variability of Multiple Instance Learning Methods for Digital Pathology
• Title（参考訳）: デジタル病理学における複数事例学習手法の多様性の低減
• Authors: Ali Mammadov, Loïc Le Folgoc, Guillaume Hocquet, Pietro Gori,
• Abstract要約: デジタル病理学は、組織サンプルを全スライド画像(WSI)にデジタル化することで、この分野に革命をもたらした。 WSIは、しばしばグローバルラベルで小さなパッチに分割される。 MIL法はWSI分類に適した解法として登場した。
• 参考スコア（独自算出の注目度）: 2.9284034606635267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital pathology has revolutionized the field by enabling the digitization of tissue samples into whole slide images (WSIs). However, the high resolution and large size of WSIs present significant challenges when it comes to applying Deep Learning models. As a solution, WSIs are often divided into smaller patches with a global label (\textit{i.e., diagnostic}) per slide, instead of a (too) costly pixel-wise annotation. By treating each slide as a bag of patches, Multiple Instance Learning (MIL) methods have emerged as a suitable solution for WSI classification. A major drawback of MIL methods is their high variability in performance across different runs, which can reach up to 10-15 AUC points on the test set, making it difficult to compare different MIL methods reliably. This variability mainly comes from three factors: i) weight initialization, ii) batch (shuffling) ordering, iii) and learning rate. To address that, we introduce a Multi-Fidelity, Model Fusion strategy for MIL methods. We first train multiple models for a few epochs and average the most stable and promising ones based on validation scores. This approach can be applied to any existing MIL model to reduce performance variability. It also simplifies hyperparameter tuning and improves reproducibility while maintaining computational efficiency. We extensively validate our approach on WSI classification tasks using 2 different datasets, 3 initialization strategies and 5 MIL methods, for a total of more than 2000 experiments.
• Abstract（参考訳）: デジタル病理学は、組織サンプルを全スライド画像(WSI)にデジタル化することで、この分野に革命をもたらした。 しかし、WSIの高解像度化と大規模化は、ディープラーニングモデルの適用に関して大きな課題をもたらします。 解決策として、WSIは(あまりにも)コストのかかるピクセル単位のアノテーションではなく、グローバルラベル(\textit{i., diagnosis})で小さなパッチに分割されることが多い。 各スライドをパッチの袋として扱うことで、WSI分類に適したソリューションとしてMIL(Multiple Instance Learning)メソッドが登場した。 MIL法の主な欠点は、異なる実行時間における性能のばらつきであり、テストセット上で最大10～15個のAUC点に達することができるため、異なるMIL法を確実に比較することは困難である。 この変動は主に3つの要因から生じる。 一 重量初期化 二 注文のバッチ(シャッフル) 三 学習率 そこで本研究では,MIL法に対するMulti-Fidelity, Model Fusion戦略を提案する。 まず、いくつかのエポックで複数のモデルをトレーニングし、バリデーションスコアに基づいて、最も安定的で有望なモデルを平均化します。 このアプローチは、既存のMILモデルにも適用でき、パフォーマンスのばらつきを減らすことができる。 また、ハイパーパラメータチューニングを簡略化し、計算効率を維持しながら再現性を向上させる。 我々は,2つの異なるデータセット,3つの初期化戦略,5つのMIL手法を用いたWSI分類タスクに対するアプローチを,2000以上の実験に対して広範囲に検証した。

関連論文リスト

• Fast and Accurate Gigapixel Pathological Image Classification with Hierarchical Distillation Multi-Instance Learning [51.525891360380285]
  HDMILは階層的な蒸留マルチインスタンス学習フレームワークであり、無関係なパッチを排除して高速かつ正確な分類を実現する。 HDMILは、動的マルチインスタンスネットワーク(DMIN)と軽量インスタンスプレスクリーンネットワーク(LIPN)の2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-02-28T15:10:07Z)
• Compact and De-biased Negative Instance Embedding for Multi-Instance Learning on Whole-Slide Image Classification [3.2721526745176144]
  半超音波信号を導入し、スライディング間の変動を抑えるとともに、通常のパッチの変動の共通要因を捉える。 本手法は,カメリオン16およびTGA肺がんを含む2つのWSIデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2024-02-16T11:28:50Z)
• Multi-level Multiple Instance Learning with Transformer for Whole Slide Image Classification [32.43847786719133]
  ホイルスライド画像(WSI)は、コンピュータ支援診断(CAD)において広く用いられている高解像度スキャンされた組織像の一種である。 本稿では,MIL に階層構造を導入し,多数のインスタンスを含む MIL タスクの効率的な処理を可能にするマルチレベル MIL (MMIL) 方式を提案する。 MMILに基づくMMIL-Transformerは,大規模MILタスクに対して,ウィンドウ化された正確な自己アテンションを持つ効率的なトランスフォーマーモデルである。
  論文  参考訳（メタデータ） (2023-06-08T08:29:10Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• ReMix: A General and Efficient Framework for Multiple Instance Learning based Whole Slide Image Classification [14.78430890440035]
  ワイルスライド画像(WSI)分類は、ギガピクセル解像度画像とスライドレベルのラベルを扱うために弱教師付き多重インスタンス学習(MIL)法に依存することが多い。 MILに基づくWSI分類のための汎用的で効率的なフレームワークであるReMixを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:21:35Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Differentiable Zooming for Multiple Instance Learning on Whole-Slide Images [4.928363812223965]
  本稿では,エンドツーエンドでマルチレベルズームを行う方法であるZoomMILを提案する。 提案手法は2つの大規模データセット上でWSI分類における最先端のMIL法より優れている。
  論文  参考訳（メタデータ） (2022-04-26T17:20:50Z)
• Dual-stream Multiple Instance Learning Network for Whole Slide Image Classification with Self-supervised Contrastive Learning [16.84711797934138]
  スライド画像全体分類(WSI)の課題に対処する。 WSI分類は、スライドレベルラベルのみが利用可能である場合、多重インスタンス学習(MIL)問題としてキャストすることができる。 局所アノテーションを必要としないWSI分類と腫瘍検出のためのMILベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T20:51:15Z)
• Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
  本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。 提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
  論文  参考訳（メタデータ） (2020-03-23T17:55:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。